【技术实现步骤摘要】
一种车辆健康评分方法、装置、电子设备以及存储介质
[0001]本专利技术涉及人工智能领域,尤其涉及一种车辆健康评分方法、装置、电子设备以及存储介质。
技术介绍
[0002]车辆健康评分是指对车辆的特征数据进行分析,查找车辆的异常的特征数据,从而对车辆健康程度进行评分的过程。
[0003]目前对于车辆故障事前预警的方式大多都是传统思路,即响应维修与计划维修,响应维修即是出了事故之后然后去进行车辆的维修,目的性较强,但是安全性不足,一些小的故障可能会因此变成大的故障才被发现;计划维修即是定期对车辆进行维护,有一定预防性但会造成一定的资源浪费;随着技术的不断发展,预防性维护的思路逐渐出现,即通过对车辆整体的情况进行分析,通过对数据的智能化处理,告知用户车辆可能存在的风险,从而达到智能化维修的目的。因此,亟待一种预防性维护的车辆健康评分方法提升车辆健康评分的效率。
技术实现思路
[0004]为了解决上述问题,本专利技术提供了一种车辆健康评分方法、装置、电子设备以及存储介质,可以提升车辆健康评分的效率。
[0005]第一方面,本专利技术提供了一种车辆健康评分方法,包括:
[0006]划分待评分车辆的检测模块与检测项目,构建所述检测项目的原始特征与乱序特征,根据所述乱序特征,计算所述原始特征的特征命中率,识别所述特征命中率对应的接受区域,并利用所述接受区域从所述原始特征中确定目标特征;
[0007]构建所述目标特征的线性回归模型与正交变量,根据所述正交变量,对所述线性回归模型进行自 ...
【技术保护点】
【技术特征摘要】
1.一种车辆健康评分方法,其特征在于,所述方法包括:划分待评分车辆的检测模块与检测项目,构建所述检测项目的原始特征与乱序特征,根据所述乱序特征,计算所述原始特征的特征命中率,识别所述特征命中率对应的接受区域,并利用所述接受区域从所述原始特征中确定目标特征;构建所述目标特征的线性回归模型与正交变量,根据所述正交变量,对所述线性回归模型进行自变量回归分析与因变量回归分析,得到自变量回归结果与因变量回归结果,利用所述自变量回归结果与因变量回归结果计算所述目标特征的特征权重值;利用所述特征权重值与所述目标特征计算所述检测模块对应的模块扣分值,确定所述待评分车辆的车辆使用率与延迟养护对应的使用率评分规则与延迟评分规则,根据所述模块扣分值、所述使用率评分规则与所述延迟评分规则,计算所述待评分车辆的最终健康评分。2.根据权利要求1所述的方法,其特征在于,所述构建所述检测项目的原始特征与乱序特征,包括:查询所述检测项目的历史数值及其对应的数值类别;根据所述历史数值及其对应的数值类别,利用下述格式构建所述检测项目的原始特征:X=pd.DataFrame({'A_avg':[x],'A_max':[x],'A_min':[x],'A_D':[x]})Y=pd.Series([1/0],name=
‘
fault_degree
’
)T=(X,Y)其中,T表示所述检测项目的原始特征,X表示自变量输入、Y表示因变量输入,A表示所述检测项目,avg、max、min、D表示所述数值类别,x表示所述历史数值,fault_degree表示车辆的故障程度,0代表健康车辆,1代表故障车辆,pd.DataFrame与pd.Series表示构建所述原始特征的函数,name表示名称;对所述原始特征进行顺序打乱,得到所述乱序特征。3.根据权利要求1所述的方法,其特征在于,所述根据所述乱序特征,计算所述原始特征的特征命中率,包括:构建所述乱序特征与所述原始特征之间的拟合随机森林;确定所述拟合随机森林中的乱序重要度与原始重要度;利用所述乱序重要度中的最大重要度与所述原始重要度之间的大小比较结果确定所述原始特征的特征命中率。4.根据权利要求1所述的方法,其特征在于,所述构建所述目标特征的线性回归模型与正交变量,包括:利用数据分析软件构建所述目标特征的线性回归模型,并利用下述公式确定所述线性回归模型中自变量与因变量之间的函数关系:其中,Y表示所述线性回归模型中自变量与因变量之间的函数关系,Y表示所述因变量,X
j
表示所述自变量,β0表示常数项,β
j
表示偏回归系数,j表示自变量的序号,p表示自变量的
总数;利用下述公式对所述函数关系中的自变量进行奇异值分解,得到分解奇异值:X
j
→
PΔQ
′
其中,X
j
表示所述分解奇异值,P表示关于XX'的特征向量矩阵,Q'表示关于X'X的特征向量矩阵,Δ表示包含X
j
的奇异值的对角矩阵,j表示自变量的序号;利用下述公式对所述分解奇异值进行最小二乘正交变换,得到所述正交变量:Z=PQ'其中,Z表示所述正交变量,P表示所述分解奇异值中的关于XX'的特征向量矩阵,Q'表示所述分解奇异值中的关于X'X的特征向量矩阵。5.根据权利要求1所述的方法,其特征在于,所述根据所述正交变量,对所述线性回归模型进行自变量回归分析与因变量回归分析,得到自变量回归结果与因变量回归结果,包括:根据所述正交变量,利用下述公式对所述线性回归模型进行因变量回归分析,得到所述因变量回归结果:其中,Y表示所述因变量回归结果,β0表示常数项,Z表示所述正交变量,k表示所述正交变量的序号,K表示所述正交变量的数量,β
k
表示偏回归系数;根据所述正交变量,利用下述公式对所述线性回归模型进行自变量回归分析,得到所述自变量回归结果:其中,X
j
表示所述自变量回归结果,λ0表示常数项,Z表示所述正交变量,k表示所述正交变量的序号,K表示所述正交变量的数量,λ
jk
表示偏回归系数,j表示自变量X
j
的序号。6.根据权利要求1所述的方法,其特征在于,所述利用所述自变量回归结果与因变量回归结果计算所述目标特征的特征权重值,包括:根据所述自变量回归结果与所述因变量回归结果,利用下述公式计算所述目标特征的相对权重:其中,ε
...
【专利技术属性】
技术研发人员:万振华,张海春,
申请(专利权)人:开源网安物联网技术武汉有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。